Interviews 訪談記錄

林一平從AI院系計畫談起

六月 1 , 2020  

受訪者:林一平,國立交通大學終身講座教授、華邦電子講座教授、大渡山學會榮譽講座

時間:2020年5月13日 下午14:00-16:00

地點:大渡山-東海AI中心

整理:張運宗

 

【編按】2020年5月12、13日AI院系計畫審議會議特邀DDS新聘榮譽講座黃彥男(黃彥男談AI的整合與應用)、林一平擔任外審委員。 林一平為ACM Fellow、IEEE Fellow、AAAS Fellow及IET Fellow,歷任交通大學副校長、科技部政務次長、(代)部長、台灣全球無線平台策進會理事長、國立交通大學終身講座教授、華邦電子講座教授。 其人融科技與人文於一身,著有《閃文集》(交大,2014)、《大橋驟雨》(九歌,2017)、《行星組曲》(九歌,2020)。 

/?p=4219

 

東海的翻轉

  危機就是轉機。 台灣最早做AI者是台積電,他們使用的日、德機器設定在5年汰換,台積電用AI調參數,使用壽命延長到10年以上;這是尖端科技產業,其他產業難以與其相提並論。 除此之外,AI對台灣最大的影響是傳統產業,但要做對,其實並不容易;只要做對,台灣就能翻轉。 

同樣的,東海比頂尖大學容易做出改變,這不是好壞對錯的問題,而是頂大的教授本身就能取得許多資源,足以建立一套獨立運作的機制,不需要太依靠學校,相對來看,DDS每年拿出一大筆錢,學校提出配合款,共同推動AI計畫,學校和校友建立起一個很好的組合,資源運用較有彈性,能投注大型計畫,做出大改變。 

 

  當然,全校各院系有不同層面的需求,每個學校及院系都有難以撼動的文化特色,所以,一個簡單的原則,高教深耕和AI計畫彼此互補,也必須明確分工,在讓東海脫胎換骨的大原則下,高教深耕可以顧及較大的面向,DDS支持的AI計畫則應該鎖定目標,建立明確的AI發展方針,這是東海最好的加速器。 就像賽跑一樣,已經Ready了,就該馬上起跑,而不是第一年建置,第二年發展,第三年準備,這只會曠日廢時且徒勞無功。 唯有馬上起跑,第三年才有翻轉成功的機會!

綜歸一句,東海的優勢在於具備Top-down整合資源的可能性,只要校長支持,DDS資金專款專用,AI中心擔起責任,避免Bottom-up分散資源,就會看到效果。 只要做得對,東海就能翻轉。 

 

 

AI院系計畫的建議

 

  AI中心提出的院系計畫的總體目標是以強化招生、強化學生職能能力為主。 經過兩天的院系計畫審議會議(5/12-13),雖說前一年計畫時程較短,不易呈現效果,但已能看出一些問題。 

 

  最明顯的問題是,部分計畫和AI並無直接關係。 這會導致兩個嚴重的問題,一是某些系所可能教學做的不錯,特意強調AI會很吸引學生,但更可能誤導學生,以為學到了AI,其實不是。 二是各院系如果沒有準備好,資源就無法適當運用,憑增浪費,徒勞無功。 

 

  教授在執行計畫時若結合自身研究的專業,藉某些專業範例(如5G通訊)讓初階的學生學習AI,這是有難度的,如果難度太高,學生爬不上去,學習動機就會大幅減弱。 所以,在底層的AI教學和教授專精的研究必須切開,且應找更淺顯的範例。 

 

  做大型教學計畫一定要避免資源分散。 教學與AI相關時,必須要有設備,如果由院系各自建置會有效率問題。 AI硬體的汰舊換新有一定的速度,過時怎麼辦?如何管理?且這些設備非常耗電;類似的問題不能解決將會是龐大的成本負擔。 所以,集中建置是最佳解方,AI中心應扮演恰當角色,邀各院系計畫參與老師坐下來談,AI中心開列教學和應用的規格,硬體設備則由計中(電子計算機中心)維護,由此橋接到各院系計畫;這種作法耗用的成本最低。 

 

  教學的計畫必須落實到各學院課程的連結,AI的演算法和基本課程應該由資工系承擔。 接下來再深入AI特性,和個別學院的Domain know-how緊密結合。 目前各院系似乎各做各的,其實許多事情是資工該做的事。 

 

  AI不必是場全民運動。 任何一個學院都不可能大家在做AI,所以應該由院長挑選較接近AI的老師勤讀paper後,和資工的老師相互合作再加入計畫,很踏實地設計課程,讓學生真正吸收、有用,才會產生很好的效果。 

 

 

場域要做什麼AI?

 

  AI需要實踐場域,東海有很豐富多元的場域,例如東海湖、農牧場、教堂;很少學校擁有這麼好的場域。 但計畫必須明確方向,建立特色,不是投資在某家公司的機器,或只是裝些Sensor而已,這對AI或教學/研究的幫助有限。 或許教授們對於AI還不熟悉,沒關係,可以慢慢談,但不做很可惜,因為只要說清楚了,Domain know-how和AI結合在合適的場域上,很快就能看見成果。 

 

  舉例來看,東海農牧場是難得一見的絕佳場域,東海牛乳早已是享有盛名的品牌,無論是農學院、生態或生物科技為起點開始智慧化發展,都必須注意要能結合服務學習培養人才。 學生好像青農,即使出身農村,但成長學習背景五花八門,大多毫無相關知識與素養。 但當青農真正動起來,自己的土地就會活過來;學生的服務學習也是同樣的道理。 

 

  東海教堂也是接近師生作息、令人有感的場域,但建築、設計或藝術必須注意,他們往往從展演的角度出發,時間一到就換展,idea不停地翻新,卻缺乏永續經營的考量。 我覺得,應該將教堂周遭視作智慧的平台,資料能不斷累積,在原來的idea重組運用及不斷創新。 

 

  有了場域,有了資料,拉出了一個很重要的問題,要做什麼AI?大部分的計畫存在很大的幻想,以為資料蒐集回來就能做AI。 實際上,很多計畫只要大數據(Big Data)技術就能達到目的,不必AI。 如果要做AI,什麼AI?一開始大家搞不懂,靠想像買許多設備,容易造成資源浪費;或者有一天懂了,也投注大量資源,結果發現不能做AI,如果要做必須另外一套方法、設備。 怎麼辦?畢竟最怕的就是資源放進去後發現做錯了,這比不做還糟糕。 

 

  大家常說,Data is KEY,這可能是一個迷思,因為一個簡單的問題,如何轉變成KEY?即使蒐集資料,東海也面對到台灣產業智慧化發展過程的重大問題,成本太高,用錯技術。 舉一個最大的迷思,普遍認為Sensor必須是無線的,無線的成本遠超過有線,穩定度也較差。 在台灣,我被視作無線通訊的權威之一,對於無線Sensor的使用,相當謹慎。 例如台灣精緻農業的智慧建置,就不宜使用無線Sensor!其實,我自己失敗的例子多到能講上一天一夜呢!我最終找到永續經營智慧農業的方法,還是有線,成本低廉又好用。 特別是當目光朝向產業時,類似的問題就更重要,找到合適的場域後,提供的技術必須便宜、好用,才能取得真正的合作,永續發展。 

 

  有了資料後呢?我推動科學園區的智慧化,每個園區都用了很多Sensor偵測PM2.5,但最終成果只有一個大看板展示偵測數值,同樣的問題,然後呢?我在自己開發的IOC(Integrated Operations Centre)中寫一個Routing功能,當某項工程施工中,只要PM2.5超標,系統自動lock。 這就是一種應用,Data is KEY,講穿了很簡單,但沒人想到過,只是一眛地收集資料;事實上,必須要懂得應用收集到的資料,才有意義,也才能表論文。 

 

  無論是哪一個場域,最後都會和物聯網(IoT)結合。 我們的思維很簡單,物聯網能夠成功,一定要耐用。 為什麼智慧應用談了很多年,但真正能夠永續經營、商業化者很少?原因就在不耐用。 所以,場域、永續經營都要先定義清楚。 目前很多計畫已經能看出,第一年有了開端,第二年大張旗鼓擴充計畫買硬體,這就挖了一個錢坑,維護的成本將會難以負荷。 

 

  總之,無論從教學、研究、應用的層面來看,每個場域的實驗或投資都必須先做功課,清楚要做什麼AI,更重要的是,必須考量永續經營。 

 

 

人才的培養與出路

 

  AI雖然不是全民運動,但所有學生都應該了解AI,未來不管從事任何工作都一定會碰到,只是是否真正投入AI產業而已。 這就必須分清楚,全校的AI學習和學生就業的關係。 

 

  若要經由AI program媒合到AI相關的公司,要分兩個部分來看。 一個部分是「打底」,建構完整的基礎建設和資工師資推動全校性AI學習,讓學生擁有AI相關的基礎知識,這好比是藥引子,在專業知識領域中,透過AI形成一道完整的藥方。 另一部份是「專案」,尋求願意合作的公司,包括實習,或者直接在研究所帶Program,以公司的題目為教材,畢業後直接選擇錄用。 我主持的廣達-交大聯合AI研究中心是一個範例,學生在學期間就計算年資,未來畢業只要進入廣達,就有較高的起薪。 

 

  無論AI或物聯網,最重要的是軟體,需要專案管理,如果這件事情做不好,培養的學生不容易有好的出路。 一個普遍的現象,學長寫的程式學弟接不下來,最後規則亂訂,根本沒人看得懂。 真正的應用必須依賴良好的軟體管理工具,這很重要,任何一個學生都要學,接下來是建立軟體管理(例如GitLab)及專案管理的工具(例如JIRA)。 凡此都需要以企業方式進行管理。 

 

  如何維護(包括人力、設備、成本)是永續經營的關鍵,所以,人才很重要。 任何場域的維護都需要精準計算,不然很快就會垮掉,所以AI中心擁有專職研究員很重要。 專職研究員比學生好用,缺點是訓練成熟後可能就被大公司挖角了,但沒關係,學校的責任本來就是培養人才。 也就是說,持續培養人才是永續經營的根本。 

 

 

理論研究與產學合作

 

  2006年我是全球高被引用學者(Highly Cited Researchers),但進入科技部後,我不再追逐論文引用的數字,並開始打破教授的思維,不應該只把學術生命浪費在SCI、SSCI上面,這很像唐代科舉,立意良善,時過境遷,到了清代就不合用了。 論文被刊登於權威期刊應該是一種方法,引導老師成為人才,但方法變成目的,倒果為因,反而產生負面效果。 許多教授認為其專業就是理論研究,但理論如果無法對人類有用,將何去何從?特別是科技發展,台灣很小,不需要那麼多的理論,必須聚焦,才能發揮成效。 

 

  為了翻轉陋習,開始出現業界出題,希望學術研究能接地氣,即使如此,各校表現仍出現極大的差異。 歸根究底,台灣必須弄清楚要什麼?學校也必須弄清楚要什麼?

 

  許多台灣的教授留學美國,每個人都想要作自己原來在美國的研究,但是,美國幅員遼闊,研究面向多元,台灣並不具備同樣的條件,如果各做各的,台灣的科技如何發展?不僅如此,博士訓練是專業研究,試想,某老師在美國的專業是黑人的基因研究,在台灣合適嗎?為何不做台灣人的基因研究?如果這位老師不能改變思維的話,怎麼辦?

 

  台灣大部分大學不具備做AI理論研究的能量,但發表論文是教授的重要指標,必須找到合適的切入點。 例如,我做「稻熱病」用的是CNN,很簡單、標準的AI,真正強項是建立一個類似大數據的Preprocess 的統計模型,另一個是Loss function的調校能力,這兩個方向不僅對業界真正有用,也可以發表論文。 尤其Loss function的調校需要經驗,換個Domain就必須重調Loss function,如何因應不同的Domain都能調校出較精確的Loss function,這就是我們必須學習的地方。 

 

  大學本來就是多元化發展,不必過度期待產學合作,MIT產學做得最好,也只有部分的教授投入而已!若真要發揮產學合作的功效,專案研究員是很好的選項。 資訊界最常關注的標竿是CMU(Carnegie Mellon University),1990年代中期,我剛回台灣的時候,CMU資訊系的正職教授缺很少,大部分是研究員,來自Project。 他們沒有教授的包袱,資源全部來自於計畫。 一旦研究員用對地方,就能發揮很大的功能,且如果運作順利,亦能和教授產生不同層次的合作,擴大研究成果。 

 

 

傳統產業是個機會

 

  每個學校的院系都有自己的傳統,形成難以打破的藩籬。 想要做出重大改變,AI中心的設立是很好的解決方法。 許多學校都有AI中心,甚至是校級中心,也都爭取企業資源進行產學合作,但做到一定程度就會面臨到盲點,做出來的成果未必符合業界需求,至多合用者應用到產品中,而無法繼續延伸發展。 比較好的作法是邀請業界帶著Project進來,成果整體輸出,完全接地氣。 

 

  以台灣而言,AI能產生最大的影響是在傳統產業,東海周鄰工業區,有很大的翻轉機會,但學校和傳產的結合,即使頂大也常常失敗。 為什麼?關鍵在教授。 研究、教學、服務、學習,除非專業在傳產,否則教授的負荷量太大,為什麼要投入傳產轉型?面對這道難題,AI中心是最好的解鈴者,聘用符合資格的研究員,打破系所界限,吸引志同道合的教授,先在AI中心建立良好文化,透過計畫執行,一步步影響更多的人。 

 

  我任科技部次長時,和經濟部次長沈榮津(今經濟部部長)保持良好互動,務實做事,曾經針對「工業4.0」談過傳產轉型的問題。 當時我們覺得能做到「工業3.5」、「工業3.0」就不錯了,畢竟傳產有2.5、1.5、0.5等等,轉型的難度很高。 所以,第一步必須盤點分類,精準確認定位、內容。 AI中心可以擬定Roadmap,但不要希企一次到位,只能先選定幾間符合轉型條件的廠商;就算同一等級的廠商,也有著不同的文化,且傳產大多是「家天下」,所以必須精選。 

 

  舉個例子,工業區裡面某些上市上櫃的高科技公司其實尖端產品只佔一小部分,他們真正需要的是中高階的人才,我覺得,這種本身具備轉型條件的公司就是東海剛開始的合作標的,對學生而言也是如此,只要夠努力,就能一步步往上走。 

 

 

合作才有競爭力

 

  在台灣,AI、物聯網如果單打獨鬥,一定會垮,為什麼?美國一家Google大於全台灣的AI研究總和!物聯網本來應該是台灣很重要的產業,但每個人都想從硬體做到雲端,如何可能做的出來?即使做成功了,充其量只是很小的成果,且只會是個案,如何產生競爭力?

 

  因緣際會,我發展出物聯網的發展平台,稱為IoTtalk,可以對接各種類型的平台。 我利用Google Map建置一個IOC,最近也將東海大學放入其中。 這套IOC和國內外大公司的做法有三大差異,一是幾乎免費,IOC非常貴,這是我決定自己研發的原因之一;二是IOC的Routing可以依照需求更改;三是結合手機(以Web-based為主,不是APP),不僅使用方便,且手機本身就有基本的安全設置。 

 

  從永續經營的角度,我的親身經歷提醒了一個問題,類似AWS、Microsoft等大公司,雖然好用,應用龐大,但是系統不易彼此互通,而且更大的問題是商業經營、利益導向,無論提出何種合作模式,他們一定是最終的獲利者。 

 

  更重要的是,無論是開發平台或產品,每個人都會有個人的小成果,如果要擴大成果,一定要能合作,合作的方式就是對接,不可能從頭到尾一手包辦。 唯有如此,才能產生競爭力。 

 

  總歸一句,AI中心必須擔負一個重要角色,面對任何計畫,無論AI或IoT,必須把永續經營放在考量首位。